深度学习之十（图神经网络--Graph Neural Networks，GNNs）
概念
图神经网络（Graph Neural Networks，GNNs）是一类专门用于处理图数据的神经网络模型。它们的设计旨在对图结构进行学习和推断，适用于节点分类、链接预测、图生成等任务。
主要概念：
-
图表示： 图由节点（顶点）和边（连接节点的线条）组成。每个节点可以包含特征信息，每条边也可以包含相应的属性。
-
节点表示学习： GNNs 试图为每个节点生成表示向量，该向量捕获了节点及其周围邻居的特征信息。
-
图卷积操作（Graph Convolution）： GNNs 中最重要的操作之一，允许节点利用其邻居的信息更新自身的表示。这种操作使得节点能够在表示空间中相互交流信息。
-
图池化（Graph Pooling）： 类似于 CNN 中的池化操作，用于减少图的规模并提取重要的子图结构。
GNN的结构：
-
基于邻居信息的节点更新： GNNs 通过聚合每个节点的邻居特征来更新节点的表示向量。这种更新通常是通过聚合邻居节点的表示来获得的。
-
多层堆叠的表示学习： 类似于深度神经网络，GNNs 通常具有多个层，每个层对节点表示进行迭代式更新。
-
图级别和节点级别任务：